Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Clasificación de texto: TensorFlow hiperparámetros
<a name="text-classification-tensorflow-Hyperparameter"></a>

Los hiperparámetros son parámetros que se establecen antes de que un modelo de machine learning comience a aprender. Los siguientes hiperparámetros son compatibles con el TensorFlow algoritmo integrado de detección de objetos de Amazon SageMaker AI. Para obtener más información sobre el ajuste de hiperparámetros, consulte [Ajuste un modelo de clasificación de texto TensorFlow](text-classification-tensorflow-tuning.md). 


| Nombre del parámetro | Description (Descripción) | 
| --- | --- | 
| batch\_size | El tamaño del lote para la capacitación. Para el entrenamiento en instancias con múltiples GPUs, este tamaño de lote se usa en todas las GPUs. <br />Valores válidos: número entero positivo.<br />Valor predeterminado: `32`. | 
| beta\_1 | El beta1 para los optimizadores `"adam"` y `"adamw"`. Representa la tasa de degradación exponencial para las estimaciones del primer momento. No se tiene en cuenta para otros optimizadores.<br />Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.9`. | 
| beta\_2 | El beta2 para los optimizadores `"adam"` y `"adamw"`. Representa la tasa de degradación exponencial para las estimaciones del segundo momento. No se tiene en cuenta para otros optimizadores.<br />Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.999`. | 
| dropout\_rate | La tasa de eliminación en la capa de eliminación, dentro de la capa de clasificación superior. Solo se usa cuando `reinitialize_top_layer` está establecido en `"True"`.<br />Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.2` | 
| early\_stopping | Se establece en `"True"` a fin de usar una lógica de detención temprana durante el entrenamiento. Si es `"False"`, no se utiliza la interrupción temprana.<br />Valores válidos: cadena (`"True"` o `"False"`).<br />Valor predeterminado: `"False"`. | 
| early\_stopping\_min\_delta | El cambio mínimo necesario para considerarse una mejora. Un cambio absoluto inferior al valor de early\_stopping\_min\_delta no se considera mejora. Solo se usa cuando early\_stopping está establecido en "True".Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.0`. | 
| early\_stopping\_patience | El número de epochs (fechas de inicio) para seguir entrenando sin que haya mejoras. Solo se usa cuando `early_stopping` está establecido en `"True"`.<br />Valores válidos: número entero positivo.<br />Valor predeterminado: `5`. | 
| epochs | El número de fechas de inicio de capacitación.<br />Valores válidos: número entero positivo.<br />Valor predeterminado: `10`. | 
| epsilon | El valor épsilon para los optimizadores `"adam"`, `"rmsprop"`, `"adadelta"` y `"adagrad"`. Se suele establecer en un valor pequeño para evitar la división por 0. No se tiene en cuenta para otros optimizadores.<br />Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `1e-7`. | 
| initial\_accumulator\_value | El valor inicial de los acumuladores o los valores de impulso por parámetro del optimizador `"adagrad"`. No se tiene en cuenta para otros optimizadores.<br />Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.0001`. | 
| learning\_rate | La tasa de aprendizaje del optimizador. Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.001`. | 
| momentum | El valor de impulso para los optimizadores `"sgd"` y `"nesterov"`. No se tiene en cuenta para otros optimizadores.<br />Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.9`. | 
| optimizer | El tipo de optimizador. Para obtener más información, consulte [Optimizadores](https://www.tensorflow.org/api_docs/python/tf/keras/optimizers) en la TensorFlow documentación.<br />Valores válidos: cadena, `"adamw"`, `"adam"`, `"sgd"`, `"nesterov"`, `"rmsprop"`, ` "adagrad"` o `"adadelta"`.<br />Valor predeterminado: `"adam"`. | 
| regularizers\_l2 | El factor de regularización L2 de la capa densa en la capa de clasificación. Solo se usa cuando `reinitialize_top_layer` está establecido en `"True"`.<br />Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.0001`. | 
| reinitialize\_top\_layer | Si se establece en `"Auto"`, los parámetros de la capa de clasificación superior se reinicializan durante el ajuste. Para el entrenamiento incremental, los parámetros de la capa de clasificación superior no se reinicializan, a no ser que se establezca en `"True"`.<br />Valores válidos: cadena, `"Auto"`, `"True"` o `"False"`.<br />Valor predeterminado: `"Auto"`. | 
| rho | El factor de descuento para el gradiente de los optimizadores `"adadelta"` y `"rmsprop"`. No se tiene en cuenta para otros optimizadores. <br />Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.95`. | 
| train\_only\_on\_top\_layer | Si es `"True"`, solo se refinan los parámetros de la capa de clasificación superior. Si es `"False"`, todos los parámetros del modelo se refinan.<br />Valores válidos: cadena (`"True"` o `"False"`).<br />Valor predeterminado: `"False"`. | 
| validation\_split\_ratio | La fracción de datos de entrenamiento que se va a dividir aleatoriamente para crear datos de validación. Solo se usa si no se suministran datos de validación a través del canal `validation`.<br />Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.2`. | 
| warmup\_steps\_fraction | La fracción del número total de pasos de actualización del gradiente; la tasa de aprendizaje aumenta desde 0 hasta la tasa de aprendizaje inicial durante la fase de preparación. Solo se usa con el optimizador `adamw`.<br />Valores válidos: flotante, con el rango [`0.0`, `1.0`].<br />Valor predeterminado: `0.1`. |